ANALISIS KLASIFIKASI KONDISI BEARING MESIN BERDASARKAN DATA GETARAN MENGGUNAKAN MACHINE LEARNING SEBAGAI PENDUKUNG PEMELIHARAAN ALAT BERAT

Bearing merupakan komponen kritis pada mesin berputar yang sering mengalami kerusakan dan dapat menyebabkan penurunan kinerja, peningkatan downtime, serta biaya pemeliharaan. Oleh karena itu, diperlukan metode pemantauan kondisi yang mampu mendeteksi kerusakan secara dini untuk mendukung strategi pemeliharaan berbasis kondisi. Penelitian ini bertujuan menganalisis karakteristik sinyal getaran pada kondisi normal dan inner race fault, menganalisis karakteristik fitur statistik, mengevaluasi kinerja algoritma k-Nearest Neighbor (k-NN), serta mengkaji pemanfaatan hasil klasifikasi sebagai pendukung Condition-Based Maintenance (CBM). Penelitian menggunakan Paderborn University Bearing Dataset (PUBD) yang terdiri atas tiga bearing normal dan tiga bearing inner race fault. Tahapan penelitian meliputi preprocessing, segmentasi sinyal, analisis domain waktu dan frekuensi menggunakan Fast Fourier Transform (FFT), ekstraksi lima fitur statistik, normalisasi menggunakan StandardScaler, serta klasifikasi menggunakan k-NN. Hasil penelitian menunjukkan bahwa sinyal normal dan inner race fault memiliki karakteristik yang berbeda, sedangkan standard deviation dan root mean square (RMS) cenderung lebih tinggi pada kondisi inner race fault. Evaluasi model menghasilkan nilai k optimum sebesar 19 dengan akurasi 81,00%. Hasil klasifikasi menunjukkan bahwa metode yang dikembangkan berpotensi mendukung penerapan CBM sebagai dasar pengambilan keputusan pemeliharaan berdasarkan kondisi bearing.